Partial Identification under Stratified Randomization
分层随机化下的部分识别与推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕随机实验、样本流失、Lee 界限和处理效应部分识别展开，直接属于因果推断，未涉及面板方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
分层随机化下的部分识别与推断
- 研究问题
- 在存在样本流失的分层实验中，如何构造有效的处理效应界限和置信区间，并允许各层处理比例相同或不同？
- 方法与思路
- 相同处理比例时，作者将细分层实验理论用于 Lee 界限；比例不同时，结合逆概率加权与全局修剪，构建矩估计和推断。
- 材料陈述的贡献
- 摘要称给出符合设计的闭式方差估计及有效区间，并将识别和推断扩展到处理比例异质、小层、不平衡及按观测标签分层的设计。
- 阅读关注点
- 应核对流失机制和界限识别假设、全局修剪如何处理异质比例，以及方差公式和区间有效性需要怎样的分层渐近框架。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；流失识别条件和具体公式未说明，区间更紧仅是摘要报告的模拟发现。
原文摘要
This paper develops a unified framework for partial identification and inference in stratified experiments with attrition, accommodating both equal and heterogeneous treatment shares across strata. For equal-share designs, we apply recent theory for finely stratified experiments to Lee bounds, yielding closed-form, design-consistent variance estimators and properly sized confidence intervals. Simulations show that the conventional formula can overstate uncertainty, while our approach delivers tighter intervals. When treatment shares differ across strata, we propose a new strategy, which combines inverse probability weighting and global trimming to construct valid bounds even when strata are small or unbalanced. We establish identification, introduce a moment estimator, and extend existing inference results to stratified designs with heterogeneous shares, covering a broad class of moment-based estimators which includes the one we formulate. We also generalize our results to designs in which strata are defined solely by observed labels.